Entrena modelos YOLO más rápido con Ultralytics Platform

La semana pasada, Ultralytics presentó Ultralytics Platform, un espacio de trabajo unificado diseñado para simplificar la forma en que los equipos crean, entrenan e implementan modelos de visión artificial. En lugar de tener que alternar entre varias herramientas, la plataforma lo reúne todo en un mismo lugar. Pasar de la idea a la implementación con modelos de IA para visión resulta mucho más sencillo.

Esto es crucial porque la visión artificial se está convirtiendo rápidamente en una parte esencial de diversos sectores. Impulsa aplicaciones como la inspección industrial, el análisis minorista y la navegación autónoma.

Convertir estas aplicaciones basadas en visión en sistemas fiables depende de lo bien que se entrenen los modelos. El entrenamiento de modelos consiste en aprender a partir de datos etiquetados para que el modelo pueda reconocer patrones y realizar predicciones precisas. En general, los modelos bien entrenados ofrecen un mejor rendimiento y resultados más fiables en aplicaciones del mundo real.

Sin embargo, entrenar un modelo de visión artificial no siempre es sencillo. Implica varios aspectos, como configurar entornos, seleccionar recursos de computación adecuados, ajustar hiperparámetros y realizar un seguimiento de múltiples experimentos de entrenamiento. Cuando estos pasos se distribuyen entre distintas herramientas y sistemas, el flujo de trabajo de entrenamiento se vuelve rápidamente complejo y difícil de gestionar.

Ultralytics Platform resuelve este problema al reunir todo el proceso de entrenamiento en un único panel unificado. Puedes configurar, ejecutar y supervisar trabajos de entrenamiento desde un mismo lugar, tanto si trabajas en la nube como localmente o en Google Colab.

Fig. 1. Un vistazo al entrenamiento de modelos en Ultralytics Platform (Fuente)

En este artículo, exploraremos cómo Ultralytics Platform agiliza el entrenamiento de modelos y por qué puede darte ventaja en tus proyectos de IA para visión. ¡Empecemos!

Los modelos de visión artificial aprenden de los datos mediante el entrenamiento de modelos#

Antes de profundizar en cómo funciona el entrenamiento de modelos en Ultralytics Platform, demos un paso atrás y repasemos qué es el entrenamiento de modelos y qué implica.

El entrenamiento de modelos es el proceso mediante el cual un modelo de visión artificial aprende a interpretar datos visuales. Analiza imágenes o vídeos y ajusta gradualmente sus parámetros internos para realizar con precisión tareas de visión, como la detección de objetos, la clasificación de imágenes y la segmentación de instancias. Con el tiempo, el modelo mejora al aprender patrones directamente de los datos que observa.

La calidad del entrenamiento depende en gran medida de los conjuntos de datos. Puedes pensar en un conjunto de datos como un conjunto de tarjetas didácticas que un profesor usaría para enseñar a un alumno, donde cada ejemplo ayuda al modelo a aprender en qué debe fijarse.

Un conjunto de datos de visión artificial típico incluye imágenes, normalmente en formatos como JPG o PNG, y anotaciones que describen lo que aparece en cada imagen. Estas anotaciones, que suelen almacenarse como archivos JSON o TXT, proporcionan las etiquetas y el contexto que el modelo necesita para aprender eficazmente.

Pero entrenar no consiste solo en introducir datos en un modelo. Implica varios pasos clave, desde preparar el conjunto de datos hasta seleccionar el modelo adecuado y configurar el proceso de entrenamiento. A continuación, analizaremos con más detalle algunos de estos pasos.

Cómo se preparan los conjuntos de datos#

Puede parecer que, una vez que tienes un conjunto de datos, puedes empezar a entrenar un modelo de inmediato, pero antes debes realizar algunos pasos, como dividir el conjunto de datos.

Por lo general, un conjunto de datos se divide en tres partes: conjunto de entrenamiento, conjunto de validación y conjunto de prueba. Las imágenes de entrenamiento se utilizan para enseñar al modelo los patrones de los datos, mientras que el conjunto de validación ayuda a supervisar y ajustar el rendimiento durante el entrenamiento.

El conjunto de prueba se utiliza al final para evaluar el rendimiento del modelo con datos completamente nuevos que no ha visto antes. Esta configuración ayuda a garantizar que el modelo no se limite a memorizar los datos, sino que pueda generalizar a situaciones del mundo real.

Seleccionar el modelo adecuado para el entrenamiento#

Otro paso importante antes del entrenamiento es elegir el modelo que quieres utilizar. En muchos casos, esto implica seleccionar un modelo preentrenado. Los modelos Ultralytics YOLO ya están entrenados con grandes conjuntos de datos y han aprendido patrones visuales generales, por lo que son un excelente punto de partida.

El uso de estos modelos es un ejemplo de aprendizaje por transferencia, en el que aprovechas conocimientos existentes y adaptas el modelo a tu tarea específica. Este enfoque ayuda a acelerar el entrenamiento y mejorar los resultados, especialmente cuando trabajas con pocos datos.

Estos modelos también están disponibles en distintos tamaños, y cada uno ofrece un equilibrio diferente entre velocidad y precisión. Los modelos más pequeños son más rápidos y eficientes, mientras que los modelos más grandes suelen ofrecer una mayor precisión, pero requieren más capacidad de computación.

Configurar los parámetros de entrenamiento para modelos de visión#

Después de preparar el conjunto de datos y seleccionar un modelo, el siguiente paso es configurar cómo aprende el modelo.

Un modelo de visión artificial se entrena mediante un conjunto de parámetros que determinan cómo procesa los datos, actualiza sus pesos y mejora con el tiempo. Estos ajustes influyen directamente tanto en la velocidad de entrenamiento como en la precisión final, por lo que son esenciales para obtener buenos resultados.

Estos son algunos de los parámetros de entrenamiento más utilizados:

• Épocas: Representa el número de veces que el modelo recorre todo el conjunto de datos durante el entrenamiento. Aumentar el número de épocas proporciona al modelo más oportunidades para aprender patrones de los datos.
• Tamaño del lote: Es el número de imágenes que se procesan juntas en un único paso de entrenamiento. Los tamaños de lote más grandes pueden acelerar el entrenamiento, pero requieren más memoria.
• Tamaño de imagen: Especifica la resolución de las imágenes de entrada utilizadas durante el entrenamiento. Las resoluciones más altas pueden mejorar la precisión de detección, pero aumentan el coste computacional.
• Tasa de aprendizaje: Es la velocidad a la que el modelo actualiza sus parámetros internos durante el entrenamiento. Los valores demasiado altos o demasiado bajos pueden hacer que el entrenamiento sea inestable.
• Optimizador: Es el algoritmo responsable de actualizar los parámetros del modelo según el error calculado en cada iteración de entrenamiento.

En los flujos de trabajo basados en Ultralytics YOLO, estas configuraciones suelen definirse en un archivo YAML. Este archivo especifica las rutas de los conjuntos de datos, los nombres de las clases y cómo se dividen los datos. Actúa como una configuración central que indica al modelo cómo interpretar el conjunto de datos.

De flujos de trabajo fragmentados a una experiencia unificada con Ultralytics Platform#

Acabamos de analizar algunos de los pasos clave del entrenamiento de un modelo de visión artificial, desde la preparación de conjuntos de datos hasta la selección de un modelo y la configuración de los parámetros de entrenamiento. En la práctica, el proceso suele ir más allá e incluye el seguimiento de experimentos, la comparación de múltiples ejecuciones de entrenamiento y el perfeccionamiento continuo de los modelos.

Estos pasos rara vez se gestionan en un único lugar. Los conjuntos de datos pueden prepararse en una herramienta, las ejecuciones de entrenamiento realizarse en otro entorno y el seguimiento de experimentos gestionarse por separado. A medida que crecen los proyectos, esta fragmentación añade complejidad, ralentiza la iteración y dificulta mantenerlo todo organizado.

Ultralytics Platform elimina esta complejidad al reunir todo el flujo de trabajo de entrenamiento en un único entorno. En lugar de cambiar de una herramienta a otra, puedes gestionar conjuntos de datos, configurar el entrenamiento, ejecutar experimentos y supervisar los resultados desde un mismo lugar.

A continuación, veremos cómo Ultralytics Platform hace más inteligente el entrenamiento de modelos.

Opciones de entrenamiento compatibles con Ultralytics Platform#

En aplicaciones del mundo real, entrenar un modelo de visión artificial suele requerir entornos flexibles. Dependiendo del tamaño del conjunto de datos, la complejidad del modelo y el hardware disponible, puedes elegir ejecutar el entrenamiento en la nube, en una máquina local o mediante entornos de cuadernos externos.

Ultralytics Platform admite las siguientes opciones de entrenamiento para adaptarse a estas necesidades:

• Entrenamiento en la nube: El entrenamiento se ejecuta en unidades de procesamiento gráfico (GPUs) en la nube gestionada por Ultralytics. Esta opción es ideal para conjuntos de datos grandes o modelos más complejos que requieren recursos computacionales importantes.
• Entrenamiento local: Esta opción utiliza el hardware disponible en tu máquina y es ideal para experimentos rápidos, probar configuraciones o trabajar con conjuntos de datos más pequeños. Para cargas de trabajo más escalables, el entrenamiento también puede ejecutarse en tu propio entorno de nube, como AWS o GCP.
• Google Colab: Con Ultralytics Platform, puedes ejecutar el entrenamiento en el entorno de cuadernos alojado de Google Colab, lo que permite un flujo de trabajo flexible basado en el navegador sin configurar una máquina local.

Explorar el entrenamiento en la nube en Ultralytics Platform#

En los proyectos de visión artificial, entrenar modelos localmente o mediante entornos de cuadernos no siempre es fácil.

Por ejemplo, en el entrenamiento local, el rendimiento depende por completo de tu hardware, lo que puede limitar la capacidad de computación y ralentizar la experimentación. Las GPUs son esenciales para entrenar de forma eficiente, pero no todas las configuraciones ofrecen un acceso fiable a ellas.

Aunque los entornos de cuadernos como Google Colab ofrecen una alternativa al proporcionar GPUs basadas en la nube, las sesiones suelen ser temporales y pueden interrumpir las ejecuciones de entrenamiento largas. A medida que crecen los conjuntos de datos y los flujos de trabajo se vuelven más complejos, estas limitaciones pueden convertirse rápidamente en cuellos de botella, haciendo que el entrenamiento sea más lento y menos fiable.

Ultralytics Platform aborda este problema con su opción de entrenamiento en la nube. Proporciona un entorno listo para usar en el que las dependencias de Python y frameworks como PyTorch están preconfigurados, lo que te permite empezar a entrenar sin configuraciones adicionales.

Desde un único panel, puedes iniciar trabajos de entrenamiento y supervisar el progreso en tiempo real. Esto facilita centrarse en mejorar los modelos en lugar de gestionar la infraestructura.

Ahora, veamos cómo empezar a entrenar en la nube con Ultralytics Platform.

Paso 1: Selecciona un modelo base#

El primer paso es elegir un modelo base para tu ejecución de entrenamiento. Puedes seleccionar un modelo Ultralytics YOLO preentrenado, clonar un modelo de la comunidad o cargar tus propios pesos preentrenados para satisfacer requisitos personalizados.

La plataforma admite todos los modelos Ultralytics YOLO, incluidos Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 y Ultralytics YOLOv5, cada uno disponible en distintas variantes de tamaño, como nano (n), pequeño (s), mediano (m), grande (l) y extragrande (x). Como las distintas variantes ofrecen un equilibrio entre velocidad y precisión, puedes elegir el modelo que mejor se adapte a tus requisitos de rendimiento y computación.

Estos modelos admiten una serie de tareas de visión artificial que los usuarios de Ultralytics YOLO ya conocen, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la detección de cuadros delimitadores orientados (OBB) y la estimación de poses.

Si tienes requisitos personalizados, también puedes cargar tus propios pesos de modelo preentrenados. Esto significa que puedes continuar entrenando o ajustar un modelo existente, como un detector de objetos, dentro de la plataforma en lugar de empezar desde cero. Resulta especialmente útil si ya has entrenado un modelo en otro lugar o quieres adaptar un modelo a un caso de uso más específico.

Paso 2: Selecciona un conjunto de datos#

El siguiente paso es seleccionar un conjunto de datos para el entrenamiento. En Ultralytics Platform, puedes utilizar conjuntos de datos existentes, como el conjunto de datos COCO, clonar conjuntos de datos de la comunidad o cargar tu propio conjunto de datos personalizado adaptado a tu aplicación específica.

La plataforma admite formatos de anotación habituales, como Ultralytics YOLO y COCO, y también puede gestionar cargas de imágenes sin procesar si tienes previsto anotar datos personalizados directamente en la plataforma.

Una vez cargados, los conjuntos de datos se procesan automáticamente, incluida la validación, la normalización, el análisis de etiquetas y la generación de estadísticas. Esto te proporciona visibilidad inmediata sobre tus datos, incluidas las distribuciones de clases y la estructura del conjunto de datos, y ayuda a garantizar que todo esté listo para el entrenamiento.

Los conjuntos de datos también se vinculan automáticamente a las ejecuciones de entrenamiento, lo que te permite realizar un seguimiento de los datos utilizados para cada modelo y mantener la coherencia entre experimentos.

Paso 3: Configura los parámetros de entrenamiento#

Después de elegir el conjunto de datos, puedes configurar los parámetros de entrenamiento que controlan cómo aprende el modelo. Estos incluyen las épocas, el tamaño del lote, el tamaño de imagen y el nombre de la ejecución para el registro de entrenamiento. Muchos de estos parámetros influyen tanto en la duración del entrenamiento como en el rendimiento final del modelo.

Para controlar mejor el entrenamiento, la plataforma también te permite ajustar parámetros avanzados, como la tasa de aprendizaje, el tipo de optimizador, la configuración de aumento de color y otras opciones de entrenamiento. Estos ajustes pueden perfeccionar el proceso de entrenamiento para mejorar la precisión y la estabilidad del modelo.

Paso 4: Selecciona una GPU#

A continuación, puedes seleccionar la configuración de GPU para tu ejecución de entrenamiento. La elección de la GPU adecuada depende de factores como el tamaño del conjunto de datos, el tamaño del lote, la resolución de imagen y la complejidad del modelo. Encontrar el equilibrio adecuado ayuda a mantener la eficiencia del entrenamiento sin utilizar más capacidad de computación de la necesaria.

Ultralytics Platform ofrece 22 opciones de GPU con distintos niveles de VRAM (memoria de una GPU) y capacidad de computación, desde tareas pequeñas hasta cargas de trabajo a gran escala.

De este modo, puedes adaptar el hardware a tus necesidades específicas, tanto si entrenas modelos ligeros como si trabajas con conjuntos de datos grandes y complejos. Para obtener más información, consulta la lista de GPUs disponibles en la página de documentación de entrenamiento de Platform de Ultralytics.

Fig. 2. Algunas de las opciones de GPU disponibles mediante Ultralytics Platform (Fuente)

Paso 5: Inicia el entrenamiento en la nube#

Una vez que hayas seleccionado el modelo, el conjunto de datos, los parámetros de entrenamiento y la opción de computación, iniciar una ejecución de entrenamiento es rápido. Desde el panel, puedes iniciar el entrenamiento con un solo clic y la plataforma se encarga del resto: inicializa el entorno y ejecuta el trabajo en la GPU seleccionada.

Cuando comienza el entrenamiento, puedes supervisar el progreso directamente desde la plataforma. La pestaña Train proporciona visibilidad en tiempo real de las métricas clave, incluidas las métricas de rendimiento, las curvas de pérdida, el uso del sistema y los registros de entrenamiento en directo.

Para obtener más información sobre el entrenamiento local o el uso de Google Colab con Ultralytics Platform, puedes consultar más tutoriales en la documentación de Platform oficial de Ultralytics.

Evaluar y comparar modelos en Ultralytics Platform#

Una vez completado el entrenamiento, el siguiente paso es evaluar el rendimiento del modelo. En Ultralytics Platform, puedes comparar varias ejecuciones de entrenamiento dentro de un proyecto, lo que te ofrece una visión clara del rendimiento de los distintos experimentos.

Al desarrollar modelos, el entrenamiento suele repetirse varias veces con configuraciones diferentes, como cambiar la tasa de aprendizaje, el tamaño del lote o el tamaño del modelo, para mejorar los resultados. Cada ejecución produce un modelo ligeramente distinto, por lo que compararlas es fundamental.

Los proyectos actúan como un centro donde se organizan conjuntamente los modelos y los experimentos. Puedes realizar un seguimiento del progreso, revisar los resultados y mantener la concentración sin cambiar entre distintas herramientas o vistas.

Desde esta vista unificada, también puedes analizar métricas de rendimiento clave, como precisión, exhaustividad y mAP (precisión media), para entender cómo funciona el modelo en las distintas clases. También puedes comparar las ejecuciones de entrenamiento en paralelo para identificar qué configuraciones ofrecen los mejores resultados.

Para complementar estas métricas, puedes utilizar la pestaña Predict para probar rápidamente los modelos entrenados con imágenes o datos de muestra, lo que te ayuda a validar visualmente el rendimiento y detectar posibles problemas.

Con esta información, puedes seleccionar el modelo con mejor rendimiento, que normalmente se guarda como el checkpoint “best.pt”, y pasar a la siguiente fase, ya sea realizar una evaluación adicional, utilizar el modelo para ejecutar inferencias o implementar el modelo mediante la plataforma.

Fig. 3. Ejemplo de visualización de métricas en Ultralytics Platform (Fuente)

Estimar el coste del entrenamiento en Ultralytics Platform#

Entrenar modelos de detección de objetos en la nube genera costes de computación, especialmente cuando accedes a GPUs de alto rendimiento. Para facilitar este proceso, Ultralytics Platform proporciona una estimación del coste antes de que comience el entrenamiento.

Te ofrece una visibilidad clara del uso previsto, ayudándote a planificar las cargas de trabajo, gestionar los presupuestos y evitar gastos inesperados antes de iniciar un trabajo de entrenamiento. Así puedes consultar los costes estimados antes de comenzar el entrenamiento.

Cómo se estima el tiempo de entrenamiento#

Para estimar el coste con precisión, la plataforma calcula primero cuánto tardará una única época de entrenamiento. Esto depende de factores como el tamaño del conjunto de datos, el tamaño del modelo, la resolución de imagen, el tamaño del lote y la velocidad de la GPU seleccionada.

Con estos datos, determina el tiempo estimado por época y lo extrapola a toda la ejecución de entrenamiento. La duración total se calcula combinando el tiempo de todas las épocas con una pequeña sobrecarga de inicio.

La sobrecarga tiene en cuenta tareas como inicializar el entorno, cargar los conjuntos de datos y preparar la GPU, para garantizar que la estimación refleje el proceso completo de entrenamiento y no solo el bucle de entrenamiento.

Cómo se calcula el coste del entrenamiento#

Una vez estimado el tiempo total de entrenamiento, la plataforma lo convierte en un coste utilizando la tarifa por hora de la GPU seleccionada.

Al combinar la duración del entrenamiento con el precio de la GPU, podemos obtener una estimación clara del coste de la ejecución antes incluso de que comience.

Disponer de visibilidad desde el principio facilita ajustar la configuración, por ejemplo modificando los parámetros de entrenamiento o seleccionando otra GPU, para equilibrar mejor el rendimiento y el coste.

Fig. 4. Configuración del entrenamiento de modelos y estimación del coste en Ultralytics Platform (Fuente)

Principales ventajas de utilizar Ultralytics Platform para el entrenamiento de modelos#

Hasta ahora, hemos repasado los pasos clave del entrenamiento de modelos de visión artificial y cómo se integran en Ultralytics Platform.

Además de estas funciones principales, hay capacidades adicionales que mejoran el flujo de trabajo de entrenamiento. Este es un resumen de algunas de las principales ventajas de utilizar Ultralytics Platform para entrenar modelos:

• Reproducibilidad de experimentos integrada: Cada ejecución de entrenamiento se registra automáticamente con su configuración completa, incluidos el modelo, el conjunto de datos, los parámetros y la configuración de computación. Esto facilita volver a consultar los experimentos y reproducir los resultados de forma fiable.
• Información del entrenamiento a lo largo del tiempo: En lugar de limitarte a consultar los resultados finales, puedes hacer un seguimiento de cómo evoluciona el rendimiento a lo largo de las épocas, lo que te ayuda a comprender mejor el comportamiento del modelo durante el entrenamiento.
• Menor carga operativa: Al encargarse de la configuración del entorno, la gestión de dependencias y la infraestructura en segundo plano, la plataforma te permite centrarte más en el desarrollo del modelo y menos en la configuración.
• Organización centralizada de los experimentos: Los proyectos funcionan como un único lugar para gestionar modelos, conjuntos de datos y ejecuciones de entrenamiento, lo que ayuda a mantener los experimentos estructurados a medida que los flujos de trabajo se vuelven más complejos.

Conclusiones clave#

El entrenamiento es una de las etapas más importantes del ciclo de vida de un modelo de aprendizaje automático. Determina con qué precisión un modelo puede reconocer e interpretar datos visuales.

Al combinar la configuración de los datos de entrenamiento, la supervisión, la comparación de experimentos y la estimación de costes en un mismo entorno, Ultralytics Platform agiliza el proceso de creación de modelos de visión por ordenador de alto rendimiento y de preparación para su implementación.

Visita nuestra creciente comunidad y nuestro repositorio de GitHub para obtener más información sobre la visión por ordenador. Si quieres crear soluciones de visión, consulta nuestras opciones de licencia. Explora nuestras páginas de soluciones para conocer mejor las ventajas de la visión por ordenador en la fabricación y la IA en la agricultura.